知乎模拟登陆java编写_HttpClient 模拟登陆知乎

最近做爬虫相关工作，我们平时用HttpWebRequest 比较多，每一个Url都要创建一个HttpWebRequest实例，

而且有些网站验证比较复杂，在登陆及后续抓取数据的时候，每次请求需要把上次的Cookie传递给这次请求。

记得这篇博客(http://www.cnblogs.com/dudu/archive/2013/03/05/httpclient.html)结尾,dudu总结了：

HttpClient最与众不同的地方是同一个HttpClient实例可以发出多次请求，每次请求是可以是完全不同的URL。

而一个HttpWebRequest实例对应于一个Url的一次请求。这才是HttpClient与HttpWebRequest的最大区别所在。

那么为什么不用HttpClient呢？

本着学习的目的，那我就拿知乎练习一下，看看HttpClient好用否？

1，分析登陆页：https://www.zhihu.com/#signin

根据上图设置 DefaultRequestHeaders

HttpClient h = newHttpClient(newHttpClientHandler

{//CookieContainer = cookies,

AutomaticDecompression = DecompressionMethods.GZip //防止返回的json乱码

|DecompressionMethods.Deflate

});

h.DefaultRequestHeaders.Add("UserAgent", Configs.ChromeAgent);

h.DefaultRequestHeaders.Add("Accept-Language", "zh-CN,zh;q=0.8,en-US;q=0.6,en;q=0.4");

h.DefaultRequestHeaders.Add("Accept-Encoding", "gzip, deflate, sdch");

h.DefaultRequestHeaders.Add("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8");//1.首页

var response = awaith.GetAsync(index);string content = awaitresponse.Content.ReadAsStringAsync();if(response.IsSuccessStatusCode)

{//获取隐藏的input值

HtmlDocument doc = newHtmlDocument();

doc.LoadHtml(content);var xsdf = DocumentHelper.GetInputValue(doc, "_xsrf");//登录需要

nameValue["_xsrf"] =xsdf;

}else{return null;

}

2，分析登陆页:https://www.zhihu.com/login/phone_num(我这里是手机和密码登录):

分析：除了要设置DefaultRequestHeaders，还需获取_xsrf的值，

这里还需注意：1, Content-Type: application/x-www-form-urlencoded; charset=UTF-8 该如何设置? 参考地址：http://ronaldrosiernet.azurewebsites.net/Blog/2013/12/07/posting_urlencoded_key_values_with_httpclient

2, 登录返回的JSON结果是乱码，该如何处理? 参考地址：http://stackoverflow.com/questions/9242472/retrieve-json-data-with-httpclient

//2.登陆

h.DefaultRequestHeaders.Clear();

h.DefaultRequestHeaders.Add("UserAgent", Configs.ChromeAgent);

h.DefaultRequestHeaders.Add("X-Requested-With", "XMLHttpRequest");

h.DefaultRequestHeaders.Add("Origin", index);

h.DefaultRequestHeaders.Add("Accept-Language", "zh-CN,zh;q=0.8,en-US;q=0.6,en;q=0.4");

h.DefaultRequestHeaders.Add("Accept-Encoding", "gzip, deflate, sdch");

h.DefaultRequestHeaders.Add("Accept", "*/*");//post参数

nameValue["password"] =PassWord;

nameValue["captcha_type"] = "cn";

nameValue["remember_me"] = "true";

nameValue["phone_num"] =Phone;

StringBuilder sb= newStringBuilder();foreach (var key innameValue.AllKeys)

{

sb.AppendFormat("{0}={1}&", key, nameValue[key]);

}var str = sb.ToString().TrimEnd('&');var request = newHttpRequestMessage(HttpMethod.Post, login);var requestContent =str;

request.Content= new StringContent(requestContent, Encoding.UTF8, "application/x-www-form-urlencoded");

response= awaith.SendAsync(request);

content= awaitresponse.Content.ReadAsStringAsync();var dic =DocumentHelper.JsonToDic(content);if (dic.ContainsKey("msg"))

{if (dic["msg"] != "登陆成功")//登录过于频繁，请稍等重试;errcode:100030

{

Console.WriteLine(dic["msg"]);return null;

}

}

3. 登录成功后，后面就由大家随便折腾了。这里获取登陆后的首页信息吧。

//3.抓取首页

h.DefaultRequestHeaders.Clear();

h.DefaultRequestHeaders.Add("UserAgent", Configs.ChromeAgent);

h.DefaultRequestHeaders.Add("Accept-Language", "zh-CN,zh;q=0.8,en-US;q=0.6,en;q=0.4");

h.DefaultRequestHeaders.Add("Accept-Encoding", "gzip, deflate, sdch");

h.DefaultRequestHeaders.Add("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8");

response= awaith.GetAsync(index);

content= await response.Content.ReadAsStringAsync();

4，我也不对数据做处理了，看看结果：

上图是调试状态下的可视化工具视图。

源码地址：https://github.com/zzhi/Spider4Net, 里面也包含了用HttpWebRequest 方式登录的代码。

以上就是所有了，如果有时间给大家讲讲登录验证码的识别，但是这个略麻烦，需要根据具体网站的验证码训练一个验证码库，

复杂的无法识别的验证码就只能用打码兔了，其实也可以自己写个类似打码兔的软件，但需要有人值守，人工识别验证码。

这这么点东西，昨晚花费了3小时(9-12)，今早写博客又花费了1小时。